ofo在人工智能系統(tǒng)中，應(yīng)用了與“阿爾法狗”相同的方法——卷積神經(jīng)網(wǎng)絡(luò)——預(yù)測(cè)用戶出行需求。同時(shí)，ofo還運(yùn)用谷歌TensorFlow人工智能系統(tǒng)，使預(yù)測(cè)結(jié)果更精確。這是共享單車行業(yè)首次將人工智能圖像處理技術(shù)應(yīng)用于智能運(yùn)營(yíng)中，標(biāo)志著共享單車進(jìn)入以人工智能為基礎(chǔ)、以物聯(lián)網(wǎng)為載體的運(yùn)營(yíng)新階段。

　　ofo小黃車實(shí)時(shí)騎行軌跡

　　卷積神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于圖像識(shí)別領(lǐng)域。卷積是提取相關(guān)性特征的方法，神經(jīng)網(wǎng)絡(luò)是預(yù)測(cè)需求的模型結(jié)構(gòu)。作為共享單車的原創(chuàng)者和領(lǐng)騎者，ofo為全球120座城市上億用戶提供了超10億次出行服務(wù)，已成為全球最大的共享單車平臺(tái)，擁有共享單車行業(yè)最龐大的出行數(shù)據(jù)。隨著出行數(shù)據(jù)增多，ofo對(duì)用戶出行需求的預(yù)測(cè)都會(huì)越來(lái)越準(zhǔn)確。

　　在應(yīng)用層面，ofo將車輛調(diào)度問題歸為有約束的供需差最小化，也就是結(jié)合當(dāng)前時(shí)間、地點(diǎn)、單車數(shù)量等因素，使單車供給最大限度接近用戶需求。ofo將智能鎖返回的定位信息形成熱力圖，并記錄熱力圖的關(guān)鍵幀圖像變化，將圖像抽象為網(wǎng)格像素，利用卷積神經(jīng)網(wǎng)絡(luò)，對(duì)像素內(nèi)的顏色變化進(jìn)行相關(guān)性特征提取，簡(jiǎn)單的理解就是將各個(gè)關(guān)鍵時(shí)間點(diǎn)的熱力圖記錄下來(lái)，把圖像劃分為均勻分布的網(wǎng)格，將像素顏色的變化作為用戶騎行需求的變化，并進(jìn)行相關(guān)性特征提取。

　　ofo小黃車?yán)镁矸e神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)騎行需求

　　如上圖所示，北京西北部上地、西二旗、中關(guān)村地區(qū)是騎行需求最多的地區(qū)，其次是望京、國(guó)貿(mào)等地。單純從圖像上來(lái)看，很難判斷中關(guān)村地區(qū)和國(guó)貿(mào)地區(qū)騎行需求的聯(lián)系。ofo可以利用卷積神經(jīng)網(wǎng)絡(luò)，通過算法的深入，提取這兩個(gè)地區(qū)的相關(guān)性特征。

　　卷積的過程可以想象成，有人拿著玻璃鏡片，掃過如上所示網(wǎng)格圖像的過程，可以當(dāng)鏡片大小是3*3網(wǎng)格時(shí)，可提取上地與西二旗地區(qū)騎行需求相關(guān)性特征。當(dāng)鏡片大小擴(kuò)大到17*17網(wǎng)格時(shí)，上地、西二旗與國(guó)貿(mào)之間騎行需求相關(guān)性的特征就被提取了。隨著卷積鏡片范圍的擴(kuò)大，所需的算法和計(jì)算能力會(huì)越來(lái)越復(fù)雜。目前，ofo的卷積神經(jīng)網(wǎng)絡(luò)層次可達(dá)30層，算法水平位列行業(yè)第一。

　　共享單車具有明顯的潮汐效應(yīng)，且騎行需求受天氣等因素影響，ofo利用卷積神經(jīng)網(wǎng)絡(luò)，提取不同時(shí)段同一區(qū)域或者同一時(shí)段不同區(qū)域的圖像相關(guān)性特征，以精準(zhǔn)預(yù)測(cè)下一個(gè)時(shí)段某一區(qū)域內(nèi)會(huì)出現(xiàn)的需求數(shù)，從而為運(yùn)營(yíng)調(diào)度提供更好的決策，實(shí)現(xiàn)智能運(yùn)營(yíng)。

　　將卷積神經(jīng)網(wǎng)絡(luò)和谷歌TensorFlow人工智能系統(tǒng)應(yīng)用于共享單車，是ofo引領(lǐng)的又一次行業(yè)創(chuàng)新，ofo正在形成以人工智能為基礎(chǔ)，以物聯(lián)網(wǎng)為載體的生態(tài)閉環(huán)。